本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。
快速摘要
这是一份完整的 AI 音乐 MV 工作流拆解。从最上游的歌词撰写，到 AI 作曲、视觉素材生成、图生视频、数字人对口型，再到剪映多轨合成、字幕匹配、最后通过抖音音乐开放平台（music.douyin.com）发行上架，整条链路全部用国内可访问、对新手友好的工具完成。 全文涉及到的核心组件包括：豆包对话写词、抖音音乐创作实验室 AI 作曲、即梦 AI 生图与图生视频、即梦数字人对口型（标准/生动/大师三种模式）、剪映多轨剪辑与导出、抖音音乐人发行入口；同时给出了歌词字数硬约束 350 字以内、对口型音频时长上限、9:16 与 16:9 比例避坑、审核周期 1-15 个工作日等关键参数。读完这一篇，你就能搭出一条可以反复跑的 AI 音乐短视频生产线，不需要任何乐理基础、不需要会画画、不需要会剪辑。想看完整拆解，往下翻。
一、先把整条链路搞清楚：AI 音乐 MV 到底是怎么造出来的
很多人第一次听到「AI 做音乐 MV」会觉得这是一件很复杂的事情，要么把它想得太玄，要么把它想得太简单。我自己折腾下来发现，它本质上就是一条多模态 AI 工具串联起来的流水线，每一段都用最适合的工具去解决一个具体问题，最后把所有产物拼到一起。
整条流水线大概长这样：
flowchart LR
A[灵感主题] --> B[豆包写歌词]
B --> C[抖音音乐创作实验室<br/>AI作曲]
C --> D[即梦AI<br/>文生图]
D --> E[即梦AI<br/>图生视频]
E --> F[即梦数字人<br/>对口型]
F --> G[剪映<br/>多轨合成+字幕]
G --> H[抖音音乐开放平台<br/>发行上架]
H --> I[抖音/汽水音乐<br/>曲库可用]流水线上的每一段都是一个独立的 AI 能力，背后各自对应一个底层模型：
- 大语言模型负责歌词生成（豆包用的是字节自家的云雀/豆包大模型）。
- 音乐生成模型负责把歌词变成有人声、有伴奏的完整音轨（抖音音乐创作实验室背后是 Seed-Music 系列）。
- 文生图扩散模型负责把一句话提示变成画面（即梦 AI）。
- 图生视频模型负责让静态图动起来（即梦 AI 的视频生成模块）。
- 音视频驱动的口型同步模型负责让画面里的人物嘴形跟音频对上（即梦数字人的对口型功能）。
- 传统视频编辑器负责把上面这些素材拼接、对齐、加字幕、导出（剪映）。
把它拆成这一串其实就轻松多了——你不需要在一个地方做所有事，每一步只解决一件事。莫潇羽@无忆研习社的整体心得是：与其追求一个能搞定一切的「神器」，不如搭好这条流水线，再在每一段去抠细节。流水线一旦跑通，后面只是在反复换主题、换提示词、换风格而已。
为什么这条流水线在 2025-2026 才真正能跑
往前推两年，AI 音乐还停留在「玩具」阶段——生成出来的歌伴奏混乱、人声机械、咬字模糊，根本没办法直接拿来发布。变化是从 2024 年下半年开始的：海外 Suno 和 Udio 这两家 AI 音乐生成平台连续迭代到了非常成熟的版本，国内字节跳动豆包团队推出 Seed-Music 系列音乐大模型，并把它落地成了「创作实验室」工具；腾讯音乐推出「启明星·AI 唱/AI 作歌」；网易云音乐上线「AI 调音大师」；阿里也推出了天工 AI 音乐。整个行业是在 2025 年集体从「能生成」过渡到「生成质量基本可用」。
视觉这边的变化更明显。即梦从最早只能生图，逐步加入了图生视频、视频生视频、数字人对口型、多人同框对口型、全身动作驱动等等能力，现在已经几乎是一站式的 AI 视觉工具。再加上剪映多年来在「让小白能剪辑」这件事上沉淀的功能（自动字幕、智能识别、AI 抠像），整条 MV 流水线的门槛被一次次拉低。
还有一个被很多人忽略的关键变化——字节系账号体系的打通。抖音、汽水音乐、即梦、剪映、抖音音乐开放平台，这五个产品共用一个登录态。这意味着你在即梦做的素材可以直接「发送到剪映」，剪映里做好的视频可以直接「发布到抖音」，抖音音乐开放平台审核通过的作品自动出现在抖音和汽水音乐的曲库里。整条流水线的「中间断点」被消除了，这才是普通人能玩起来的真正底气。
往后再看一两年，这条流水线的工具会越来越统一——可能直接出现「一句话生成完整 MV」的产品。但那一天到来之前，学会现在这套分步流水线的逻辑是非常有价值的：你理解了每一段在解决什么问题，未来不管工具怎么变，你都能很快上手。
写在最前面的合规提醒：AI 生成音乐在抖音音乐人体系里属于特殊审核类目，平台对这一类作品有单独的版权与算法说明要求。本文涉及到的所有操作仅作为个人学习实践与作品自留体验，不要把它当成快速变流量的工具去看——平台规则随时在变，能不能正常发行、能不能被推荐，最终都以平台审核为准。
二、第零步：抖音音乐开放平台账号入驻
整条流水线的最末端是「发行」，但账号准备得放到最前面做，不然你做了一晚上素材，最后发现账号还没开通，会非常崩溃。
平台到底是什么
抖音音乐开放平台官方域名是 music.douyin.com，它和「抖音 APP」「汽水音乐」「剪映」共用一个账号体系，是字节给音乐相关创作者准备的一站式后台。它能干的事情包括：
- 发行作品到抖音、汽水音乐曲库（审核通过后短视频创作者可以在剪辑界面搜索到你的作品作为 BGM）。
- 查看作品的播放数据、被使用次数、粉丝增长曲线。
- 管理词曲版权信息、签约信息。
- 进入「创作实验室」（也就是后面要重点用到的 AI 作曲入口）。
入驻所需材料
注册之前先把这几样东西准备好：
- 能正常使用的抖音账号（建议先把账号实名认证、绑定手机号都做完）。
- 本人手持身份证照片（要求证件号清晰可见，不能 P 图、不能遮挡）。
- 艺人名（可以用真名也可以用一个稳定的笔名，但禁止包含「工作室」「广告」「官方」等词汇）。
- 头像照片（最低 640×640 像素，建议正方形清晰大头像）。
- 联系邮箱（用来接收审核状态变更通知）。
入驻流程
PC 端打开 music.douyin.com，右上角扫码用抖音账号登录之后，按提示填写：
- 基础信息：艺人名、头像、性别、风格流派（流行/民谣/电子/国风等，这一步选错了不影响发行，后面也能改）。
- 实名认证：提交身份证照片。
- 作品信息：至少需要 1 首作品。这里有个小技巧：你可以先用创作实验室生成一首歌，再把它作为入驻的首作上传，等于「入驻+发首作」一起走。
填完之后等审核，正常情况下 1-3 个工作日就能通过，复杂情况（尤其是 AI 生成音乐相关）可能拖到 15 个工作日。如果失败了不要慌——平台会在站内信里写明原因，每个人有 5 次修改重提的机会，针对反馈点改一下重新提交即可。
几个容易踩的坑
- 入驻和音乐人黄 V 认证是两回事。入驻只是注册了开放平台账号，可以发行作品；要在抖音个人主页显示「音乐人」黄 V 标识，是另一套认证流程，需要更高的粉丝数门槛。本文这条流水线只需要完成入驻，不强制需要黄 V。
- AI 音乐发行是有特殊通道的。如果你的作品是纯 AI 生成的，按 2025 年下半年开始的规则，需要在发行表单里如实勾选「AI 生成」并附上算法说明。别隐瞒，被发现一次封号是真的封号。
- 作品上传后会授权给抖音一定年限的使用权（具体期限以发行协议为准），这是行业惯例，不是抖音单独要求。
入驻这一步搞定了，往下走才有意义。
三、第一步：用对话式 AI 写出一首能过审的歌词
歌词是整条链路里最容易被忽略、却最容易卡审核的一环。很多人一上来就想着作曲，结果发现歌词里有敏感词、字数超标、句式不押韵，前面所有努力都白费。
为什么用豆包写词
我个人选的是豆包（doubao.com 或抖音 APP 内置的「AI 帮帮忙」入口），原因有三个：
- 跟抖音生态同源，对短视频审核口径熟悉，写出来的内容更不容易踩词。
- 免费、不限次，写词需要反复调，免费这一点很重要。
- 支持长上下文，可以让它先写故事大纲再写歌词，结构更完整。
当然其他对话模型也行，国内可用的还有通义千问、文心一言、Kimi、智谱清言等等，模型不是关键，提示词才是。
提示词模板（可以直接抄）
我自己常用的写词提示词大概长这样：
我想写一首中文流行歌，主题是【主题关键词】，
情绪基调是【情绪关键词，比如温暖/伤感/治愈/燃】，
受众是【目标听众，比如毕业生/职场人/远嫁的女孩】。
请你按下面的结构来写：
- 主歌1：4 句，每句字数 7-12 个字，铺垫场景
- 副歌1: 4 句,每句字数 8-14 个字,情绪高点,要押韵
- 主歌2: 4 句,延续场景但视角微调
- 副歌2: 与副歌1相同或微调
- bridge: 2-3 句,情绪转折
- 副歌3: 收尾,可以加一两句尾声
约束:
- 总字数控制在 350 字以内（含标点符号）
- 不出现品牌名、人名、地名、敏感词
- 不出现负面消极内容（自伤/极端情绪等）
- 押韵尽量用同一韵脚或邻韵
- 用词偏口语,不要过于书面化
请直接给出完整歌词,不要写解释。把【方括号】里的内容换成你自己的主题，丢给豆包就能拿到一份基础稿。基础稿出来后我一般会做下面这几件事：
- 通读一遍找拗口的句子，让豆包重写那一句而不是整首重生。
- 检查有没有违和的词（比如写「治愈」主题结果蹦出「黑暗」「绝望」之类），让它替换。
- 用一个独立的 AI 对话窗口让模型「评估这段歌词在抖音平台的过审风险」，把它给出的高风险词替换掉。
350 字这个隐藏的硬约束
这是我自己踩过坑才意识到的：抖音音乐创作实验室的 AI 作曲对歌词长度有上限。具体数字会随版本调整，但实测把歌词控制在 350 个字（含标点）以内是最稳的。超过这个量，作曲端要么直接报错让你删减，要么生成出来的音乐会自动跳过一部分歌词，听感很糟糕。
所以在豆包出稿后，一定要肉眼数一遍字数，超了就让它压缩。我常用的压缩指令是：
请把上面这首歌词压缩到 320 字以内（含标点符号），
保留情绪和故事完整性，可以删掉重复的副歌段，
只保留主歌1 + 副歌1 + 主歌2 + 副歌2 + 尾声。让 AI 帮你做一遍合规润色
这一步在前面的资料里很少被人提，但它是「能不能发出去」的关键。我自己的做法是写完之后再让模型走一遍下面的提示：
下面是一首要发布在抖音音乐平台的中文歌词。
请你站在平台审核员的视角，识别其中可能触发审核的风险点：
- 政治敏感、地域指向、宗教元素
- 暴力、自伤、极端情绪
- 品牌名、未授权人名、未授权 IP
- 涉及未成年人不当内容
针对每一处风险给出替换建议，并最终输出修改后的完整歌词。走一遍这个流程，送审被打回来的概率会下降一大半。莫潇羽@无忆研习社建议把这个提示词存成你自己的「写词三连模板」（生成 → 压缩 → 合规审），每次都跑一遍，养成肌肉记忆。
押韵与咬字：让 AI 唱出来不别扭
歌词写完肉眼看着没问题，但 AI 一唱就会暴露很多隐藏问题。我自己摸出来的几条经验：
- 同一段尽量押同一个韵脚。AI 作曲会自动给押韵的句尾分配相似的旋律收束，押韵不一致会让人声听起来很奇怪。
- 避开多音字结尾。「重」「了」「行」这种多音字放在句尾，AI 经常读错音，整句就废了。
- 避免连续两个去声字（第四声）。「再见」「散了」这类放在一起，AI 唱出来会显得很顿挫，不够顺滑。
- 句子长度控制在 7-14 个字。太短显得碎，太长 AI 会自动断句，断在哪儿你控制不了。
- 方言词、网络流行语谨慎用。不是不能用，而是 AI 模型对这些词的训练样本少，咬字概率不准。
如果你写完歌词不确定 AI 会怎么读，有个简单的办法是先让豆包用「请你把这段歌词朗读一遍」的指令读出来，听一遍它的断句和重音，能提前发现一部分问题。
歌词敲定以后一定要复制一份到本地记事本里。原因有两个：一是后面发行表单要重新填一次歌词（系统自动带过来的有时候会丢字符），二是你以后想把同一份歌词换不同曲风重生，本地有备份就不用重新写。
歌词这一关过了，下一步才轮到作曲。
四、第二步：在抖音音乐创作实验室里做 AI 作曲
歌词搞定，下一步是把它变成一首真正能听的歌。这一步用的是抖音官方的「音乐创作实验室」，入口在 music.douyin.com/studio。
创作实验室的功能地图
进入创作实验室后，你能看到的核心模块包括：
创作实验室
├── 作词 （基于关键词生成歌词，本文的歌词已经在豆包写好了）
├── AI 作曲 （把歌词 + 风格描述变成完整音乐，本步重点）
│ ├── 简单模式 （只填主题和心情，AI 全自动）
│ └── 高级模式 （上传歌词 + 自定义风格描述，可控性更高）
├── AI 编辑器 （针对生成出来的作品做段落重排、乐器替换、人声调整）
└── 我的资产 （所有生成过的作品列表，发行入口在这里）我们要走的路径是：高级模式 → 选作品 → AI 编辑器（可选）→ 我的资产 → 发行。
高级模式实操步骤
在创作实验室点「AI 作曲」→ 选「高级模式」，会看到三个关键输入区：
- 歌词区：把刚才在豆包写好的歌词整段粘贴进来。如果系统识别不出主歌副歌的分段，可以手动加
[Verse][Chorus][Bridge]这种标记，AI 会按段处理。 - 风格描述区：用一段中文描述你想要的
